System-wide analysis of qualitative hospital incident data: Feasibility of semi-automated content analysis to uncover insights
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Advances in technology have increased the ease of reporting hospital incidents, resulting in large amounts of qualitative descriptive data. Health services have little experience analysing these data at scale to incorporate into routine reporting. OBJECTIVE: We aimed to explore the feasibility of applying a semi-automated content analysis (SACA) tool (Leximancer™) to qualitative descriptions of system-wide hospital incidents to provide insights into safety issues at all health service levels. METHOD: Data from 1245 incidents reported across a network of hospitals in Australia were analysed using the SACA tool. Summaries were generated using a variety of techniques, including inductive and deductive approaches to extract key concepts in the data. RESULTS: The analysis was feasible and provided an actionable summary of the types of incidents reported in the data; the visual interface allowed users to explore the underlying text for a deeper understanding. Deductive analysis was utilised to explore specific areas of interest, and stratified analysis revealed more detailed concepts. The SACA tool was more efficient than manual processes; however, due to the context present in the incident descriptions, significant time, reading and subject matter expertise is still required to refine the analysis. CONCLUSION: Semi-automated tools provide an opportunity for improving patient safety culture and practices by providing rapid content analysis of vast datasets that can be customised for specific organisational contexts and deployed at scale. Further research is required to assess usefulness with system users. IMPLICATIONS: Qualitative data abound and system-wide analysis is essential to creating actionable insights.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle